研究チームは2026年7月20日(現地時間)、大規模言語モデル (LLM) コーディングエージェントのコンテキスト最適化手法「CORVUS」に関する論文を発表した。この手法は、既存エージェントが抱えるファイル読み取りの冗長性と、古いスナップショット問題への対処を目的としている。ファイル読み取りと観測の結合を解消する新しいアーキテクチャを提案することで、軽量な軌跡生成とコードベースとの同期を維持し、推論エラーの削減を目指す。
大規模言語モデル (LLM) コーディングエージェントは、推論、ツール呼び出し、および結果を蓄積する軌跡を構築し、多段階の意思決定を可能にしている。
しかし、一般的な追加専用の軌跡アーキテクチャでは、ファイル読み取り動作がその観測と密接に結合されており、時系列の履歴に固定されたスナップショットが生成されるという課題がある。エージェントの編集や人間の同時変更によってファイルが変更されると、これらのスナップショットは古くなり、推論エラーを引き起こす原因となることが指摘されている。また、エージェントはファイルを冗長に再読み込みし、その度に軌跡に新しいコピーが追加されるため、軌跡が肥大化する問題も発生している。
提案された「CORVUS」は、関連ファイルの同期レジストリを維持し、各推論サイクルで現在の内容のみを注入することで、ファイル読み取り動作とその観測を分離する。この構造的な変更により、従来の軌跡を肥大化させていた冗長なファイルコピーや古いスナップショットが排除され、実際のコードベースの状態と同期した、大幅に軽量な軌跡が生成されるとしている。
研究チームは、「CORVUS」をSWE-POLYBENCH_VERIFIEDおよびSWE-BENCH PROのデータセットを用いて、4つのLLMにわたり評価を実施した。その結果、「CORVUS」は、タスクあたりの平均入力トークン数で9-50%の削減、最終プロンプトの15-32%短縮、最大37%の推論サイクル数の削減を達成したという。これらの改善にもかかわらず、同等の合格率を維持できることが確認された。
参考: arXiv cs.LG (アーカイブ) — 2026年7月29日 13:00 (JST)
原文ハイライト"Context Optimization and Reduction Via Underlying Synchronization for LLM Coding Agents"